Python 将scikit学习中GridSearchCV中每个折叠的准确度和平均值制成表格

我在scikit learn Python3中使用两个参数集a和B对我的模型进行网格搜索。代码如下所示：

parameterA = ['a', 'b']
parameterB = np.array([10, 100])
param_grid = dict(parameterA=parameterA, parameterB=parameterB)
model = buildModel()
grid = GridSearchCV(model, param_grid, scoring="accuracy")
grid_result = grid.fit(X, Y)
for parameters, scores in grid_result.grid_scores_:
    print("Mean: " + scores.mean())
    print("Parameters: " + parameters)

• 我是否正确理解，score.mean（）是准确度的平均值
• 如何输入自己的评分函数？在文档中，它用“scorer（估计量，X，y）”表示。我从哪里得到X和y？他们不是交叉验证的培训和测试集吗？他们可以接近吗
• 是否有可能获得交叉验证每一次的所有这些值？默认情况下，有k=3倍，所以我希望每个参数组合的平均值和精度是3倍

---

首先，您不应该再使用

网格分数

，因为它在0.18版中被弃用，而支持

cv\u结果

属性。

grid\u scores\u

属性在版本0.20中将不可用

---

Q°：我是否正确理解score.mean（）是准确度的平均值

A：属性

cv\u results\u

实际上返回您正在查找的所有度量的词汇表。请查看以下内容：

---

Q°：是否有可能获得交叉验证每次折叠的所有这些值？默认情况下，有k=3倍，所以我希望每个参数组合的平均值和精度是3倍

A：是的，实际上需要使用属性

verbose

verbose

必须是一个整数，它控制详细程度：越高，消息越多。例如，您可以设置

verbose=3

---

Q°：我如何设置自己的评分功能

A：定义损失函数后使用。您的损失函数必须具有以下签名：

score\u func（y，y\u pred，**kwargs）

。一个基本的损失函数可以是分类良好的样本与总样本数的比率（您可以想象任何类型的指标，这些指标可以让您很好地了解分类器的性能）

您希望这样做：

def my_loss_func(y, y_pred):
    return np.sum(y == y_pred)/float(len(y_pred))

my_scorer = make_scorer(my_loss_func, greater_is_better=True)

---

然后您可以在GridSearch中使用您的

记分器。
如果我使用
verbose=100
，我会得到
[CV]。。。。。。。。。。参数a=b，参数b=10，分数=0.683594-0.1s
。我可以通过计算选择这个分数（这是我想要的）吗？我真的不明白你的问题。您想选择什么？返回此分数的分数或参数？类似于
grid\u result.fold\u score
，它为我提供了一个分数值列表。@ste如果我正确理解您的问题，
cv\u results\u
包含您需要的所有内容。